論文の概要: Physics-Aware Sparse Learning and Selective Online Adaptation for Euler-Lagrange Robot Dynamics

• arxiv url: http://arxiv.org/abs/2606.09640v1
• Date: Mon, 08 Jun 2026 15:36:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.465099
• Title: Physics-Aware Sparse Learning and Selective Online Adaptation for Euler-Lagrange Robot Dynamics
• Title（参考訳）: オイラーラグランジュロボットダイナミクスのための物理学的スパース学習と選択的オンライン適応
• Authors: Rishabh Dev Yadav, Samaksh Ujjawal, Sihao Sun, Spandan Roy, Wei Pan,
• Abstract要約: 学習に基づくほとんどの補正手法は, 1つの加算残差を導入することにより, 予測精度を向上させる。 本稿では,モデルミスマッチを慣性補正,対応するコリオリ項,一般化力残差に分解する構造保存残差学習フレームワークを提案する。 移動・航空・マニピュレータシステムを含む複数のロボットプラットフォームを対象とした実験により, 提案手法は, 結合および時間変化の動的条件下での動的予測と軌道追跡を改善することを示した。
• 参考スコア（独自算出の注目度）: 3.247008128557575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate dynamics models are essential for model-based robotic control, yet nominal Euler--Lagrange models often become inaccurate in the presence of payload variation, unmodeled coupling, friction, aerodynamic effects, and changing operating conditions. Most learning-based correction methods improve prediction accuracy by introducing a single additive residual, but do not preserve the internal mechanical structure of Euler--Lagrange systems. This leads to models that do not preserve symmetry, positive-definiteness, or the coupling between inertia and velocity-dependent terms, which can result in physically inconsistent predictions and reduced reliability when embedded in model-based controllers. We propose a structure-preserving residual learning framework that decomposes model mismatch into an inertia correction, the corresponding induced Coriolis term, and a generalized-force residual. The mechanical component is learned under physical constraints, while the disturbance-sensitive component is represented through a sparse history-dependent latent interaction model and adapted online using Bayesian linear regression. This separation preserves key mechanical structure while restricting adaptation to the part of the dynamics most affected by changing conditions. Experiments across multiple robotic platforms, including mobile, aerial, and manipulator systems, show that the proposed method improves dynamics prediction and trajectory tracking under coupled and time-varying dynamics. These results highlight the value of combining structured residual modeling, compact latent interaction selection, and selective online adaptation for real-world model-based control.
• Abstract（参考訳）: モデルに基づくロボット制御には正確な力学モデルが不可欠であるが、ペイロードの変動、非モデル結合、摩擦、空力効果、動作条件の変化がある場合、名目上のオイラー-ラグランジュモデルはしばしば不正確なものとなる。 学習に基づくほとんどの補正手法は、単一の加算残基を導入することで予測精度を向上させるが、オイラー-ラグランジュ系の内部機械構造は保存しない。 これは対称性、正定性、慣性項と速度依存項の結合を保たないモデルにつながり、モデルベースのコントローラに埋め込まれた場合、物理的に矛盾した予測と信頼性の低下をもたらす。 本稿では,モデルミスマッチを慣性補正,対応するコリオリ項,一般化力残差に分解する構造保存残差学習フレームワークを提案する。 機械的成分は物理的制約下で学習され、外乱に敏感な成分はスパース履歴依存の潜在相互作用モデルによって表現され、ベイズ線形回帰を用いてオンラインで適応される。 この分離は、変化する条件に最も影響される動的部分への適応を制限しながら、重要な機械的構造を保存する。 移動・航空・マニピュレータシステムを含む複数のロボットプラットフォームを対象とした実験により, 提案手法は, 結合および時間変化の動的条件下での動的予測と軌道追跡を改善することを示した。 これらの結果は、構造化された残差モデル、コンパクトな潜在相互作用選択、および実世界のモデルベース制御のための選択的なオンライン適応を組み合わせることの価値を強調している。

関連論文リスト

• Learning Cross-Coupled and Regime Dependent Dynamics for Aerial Manipulation [3.247008128557575]
  空中マニピュレータにおける適応的残留力学学習のための構造化エンコーダデコーダフレームワークを提案する。 その結果、残差予測精度の向上、動作条件の変化による適応の高速化、MPCに基づく軌道追跡性能の向上が示された。
  論文  参考訳（メタデータ） (2026-05-14T13:17:04Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Adaptive Learning via Off-Model Training and Importance Sampling for Fully Non-Markovian Optimal Stochastic Control. Complete version [0.0]
  本稿では,制御状態が完全に非マルコフ的であり,未知のモデルパラメータに依存する連続時間制御問題について検討する。 従来の研究で開発された離散スケルトン法に基づいて, 組込み後進動的プログラミング方程式に対するモンテカルロ学習手法を提案する。
  論文  参考訳（メタデータ） (2026-04-14T16:32:46Z)
• STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching [2.5845893156827158]
  本研究では、保守的な剛体力学を不確実かつ効果的に非保守的な相互作用効果から分離する動的学習フレームワークSTRIDEを提案する。 本研究は,ペンデュラム,Unitree Go1ruped,Unitree G1 humanoidなど複雑度の高いシステム上でのSTRIDEの評価である。 その結果, 長軸予測誤差が20%減少し, 接触力予測誤差が30%減少した。
  論文  参考訳（メタデータ） (2026-03-09T15:15:21Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
  剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
  論文  参考訳（メタデータ） (2022-05-27T07:39:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。